基于神经网络的离网自适应光储一体化发电系统

Off Grid Adaptive Optical Storage Integrated Power Generation System Based on Neural Network

摘要

西藏电网网架结构薄弱，供电半径大，加上高渗透率可再生能源的并网造成的调控不确定性，使得对偏远地区的供电极不稳定。为实现对偏远用户的平稳供电，提出基于神经网络的离网自适应光储一体化发电系统。首先，构建了光储一体化发电系统模型，并提出基于神经网络（NN）训练的最大功率点跟踪（MPPT）算法，提高系统在天气突变时仍以最大功率输出电能的能力。然后，提出了混合储能模式，建立基于DC-DC变换器的超级电容控制策略和储能电池的充放电控制策略，减小光伏发电的不确定性。最后，设置了两种情景对比验证所提系统的有效性，仿真结果表明，基于神经网络的离网自适应光储一体化发电系统相较于采用传统电导增量法MPPT的发电系统，其电压波动性更小，电能质量更高。设计过程和方法为后续系统设计提供了一些经验借鉴。

Abstract

The power grid in Tibet suffers from a weak infrastructure and extensive power supply radius. Coupled with the regulatory uncertainty resulting from the integration of highly penetrative renewable energy sources, the electricity supply to remote areas remains highly unstable. In order to realize stable power supply for remote users, an off-grid adaptive optical storage integrated power generation system based on neural network was proposed. Firstly, the model of integrated optical storage power generation system was established, and the maximum power point tracking (MPPT) algorithm based on neural network (NN) training was introduced. This algorithm enhanced the system's capacity to deliver maximum power output even during sudden weather changes. Next, the hybrid energy storage mode was proposed, wherein control strategies were developed for both the supercapacitor, employing a DC-DC converter and the energy storage battery, aiming to mitigate uncertainties associated with photovoltaic power generation. Subsequently, the effectiveness of the proposed system through a comparative analysis of two scenarios was validated. The simulation results demonstrated that the off-grid adaptive optical storage integrated power generation system based on neural network exhibited the reduced voltage fluctuation and higher power quality compared to traditional MPPT-based power generation systems using the conductance increment method. The design process and methodologies presented herein offered valuable insights for subsequent system design efforts.

Graphical abstract

关键词

光储一体化 / 神经网络 / 混合储能 / 离网

Key words

integration of photovoltaic and energy storage / neural network / mixed energy storage / off grid

西藏地域辽阔，辐射量是内地的8倍，适宜建设太阳能电站，因此课题采用光伏发电。由于光照强度等环境因素随机性和波动性，导致光伏的出力极不稳定，因此我们采用光储一体化作为发电策略，通过光储一体化系统将光伏发电和储能技术进行有机结合，用稳定的储能弥补不稳定的光伏，起到削峰填谷的作用，采用合适的控制策略实现对负荷的稳定供电。

光储一体化系统建设符合国家“双碳”战略、节能减排、大力发展新能源的国家战略，符合国家、地方的相关产业政策，是对国家电力体制改革、能源结构调整的有效促进；有助于提高全国范围内的新能源使用占比，降低了传统能源的利用率，对国家环境治理具有重大意义；改善了用户侧电力能源结构，优化了用能策略，为偏远用户提供了市电断电情况下的应急用电，提高了负载的供电可靠性；给电力用户带来了绿色电力的使用。

传统的光储一体化发电系统的控制策略是光伏MPPT控制+储能控制，MPPT使用的一般是电导增量法、固定电压法、扰动观察法等传统算法^[1-3]，传统算法控制逻辑简单，在光照度突变时，光伏发电的U-P特性曲线虽然会随光照度突变，但是最大功率点电压的变化很小，恒压法的原理是在光照度突变时，使光伏电池稳定工作于最大功率点电压^[4]，以此使光伏电池输出最大功率，虽然恒压法容易实现，但是一旦外界温度发生突变，最大功率点电压会迅速变化，在如今的光伏运行环境中恒压法并不适用。导纳增量法精确度高，响应速度快，但是算法复杂，对硬件要求较高。扰动观察法算法容易实现，对硬件要求低，但是选择合适的步长比较困难，在最大功率点频繁变化时跟踪精度会变差，容易出现在最大功率点附近震荡的现象。

此外还有PSO、模糊控制、细菌觅食等智能算法^[5-7]，智能算法存在收敛速度慢、易陷入局部最优等缺陷，这些算法在多峰MPPT问题中，能够提高追踪效率，但在复杂光照情况下，算法跳出局部的步长有限，搜索空间不足，还是会陷入局部峰值，无法保证在最大功率点处输出。为了克服这些缺陷，我们引入了神经网络训练MPPT的算法策略。

神经网络算法的思想是对人脑的基本单元-神经元进行建模和联接，探索研究模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统^[8]。神经网络的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束^[9]。然后我们就可以用生成的神经网络来处理真实数据。

将人工神经网络算法引入光伏系统的 MPPT 有利于解决全局最优和受短时天气影响,神经网络模型具有自学习性和自适应性，自适应性指的是一个系统可以通过改变自身的一些参数属性来实现适应外界环境变化的目的。非线性，真实的世界是十分复杂的非线性系统，与其相似，人类的大脑也是一个非线性组织，用来进行信号处理^[10,11]。

本文基于MATLAB/ Simulink 仿真平台搭建了光伏发电系统模型和超级电容控制模型，采用神经网络工具箱训练MPPT，通过输出占空比实现光伏发电系统的整流和最大功率跟踪，同时以超级电容为例，搭建了基于PSFB的DC-DC变换器的超级电容充放电闭环控制模型。最后通过仿真分析光储一体化系统的运行特性，验证了其有效性。

1 光伏发电系统模型

1.1 NN-MPPT算法

本文借助matlab的神经网络工具箱训练MPPT，通过式（1-2）生成随机变量作为输入量，图1为训练后的NN-MMPPT模型。利用神经网络的自学习性和自适应性训练MPPT，来实现MPPT适应外界环境非线性变化的目的，通过自我调整结构参数，修改原先的映射关系，克服最大功率点频繁变化时跟踪精度会变差，容易出现在最大功率点附近震荡的现象。利用神经网络的非线性，以光照强度和温度为输入量，以跟踪最大功率的占空比为输出值，训练出更适应真实环境的映射。

\left\{\begin{array}{l}T=\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}\left(T_{\mathrm{m}\mathrm{a}\mathrm{x}}-T_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)+T_{\mathrm{m}\mathrm{i}\mathrm{n}}\\ G=\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}\left(G_{\mathrm{m}\mathrm{a}\mathrm{x}}-G_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)+G_{\mathrm{m}\mathrm{i}\mathrm{n}}\end{array}\right.(1)

\left\{\begin{array}{l}{I}_{MP}=I_{MPS}\left(G/G_s\right)\left(\mathrm{1}+\alpha \left(T-T_s\right)\right)\\ U_{MP}=U_{MPS}+\left(\beta \left(T-T_s\right)\right)\end{array}\right.(2)

式中：T为温度，\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}为取随机值， T_{\mathrm{m}\mathrm{a}\mathrm{x}} 、T_{\mathrm{m}\mathrm{i}\mathrm{n}}为温度上下限，G_{\mathrm{m}\mathrm{a}\mathrm{x}}，G_{\mathrm{m}\mathrm{i}\mathrm{n}}为辐射强度上下限，I_{MP} 为功率点电流，I_{MPS}为最大功率点电流，G_s为 标准辐射强度，\alpha为电流温度系数， T_s为标准温度，U_{MP}功率点电压，U_{MPS}为最大功率点电压，\beta为电压温度系数。

1.2 光伏发电DC /DC Converter策略

本文利用NN-MPPT输出的占空比对系统进行升压，如图2所示，包括光伏列阵和DC /DC Converter组成。首先将实时变化的光照强度和温度输入到光伏板中，并读取相关数据。然后通过RL和RC电路对光伏板发出的直流电进行简单的滤波。最后用DC /DC Converter作为前端变换器，通过boost信号控制其工作状态，提高输入电压，满足后期逆变器的需求。其中，DC /DC Converter的控制信号有多种，以boost和buck的效率最高。但boost不但可以达到很高效率，还可以方便地跟踪最大功率点，实现负载匹配。仿真模型中的二极管作用是防止升压后的电流倒流，并联电阻的作用是提高二极管的载流能力。最后的RC电路是再次对光伏板所发出的电能进行滤波。

2 混合储能控制策略

2.1 DC-DC变换器的超级电容控制模型

本文基于移相全桥(Phase-Shifting Full-Bridge Converter，简称PSFB)搭建DC-DC变换器，实现对超级电容充放电闭环控制。如图3所示，利用功率器件的结电容与变压器的漏感作为谐振元件，使全桥电源的4个开关管依次在零电压下导通，来实现恒频软开关，提升电源的整体效率与EMI性能，还可以提高电源的功率密度。每个桥臂的两个功率管成180°互补导通，为避免出现共态导通现象，电路中会增加适当的死区时间。每个功率管的导通时间固定，而两个桥臂的导通角相差一个相位，即移相角，通过调节移相角的大小，来控制占空比，从而调节输出电压。

如图4所示，控制策略中设置开关频率为70 kHz，死区时间设置为1.5 μs，采用简单的电压控制模式，电源输出直流电压通过采样电路、光电隔离电路后形成控制信号，从而控制芯片四个输出之间的移相角大小，使电源能够稳定工作，图中将采样得到的电压信号与预设值进行对比后对信号进行PI控制。处理后的信号再次与另一个预设值比较和PI控制后作为输入信号输入到控制算法中。本设计中设有故障保护电路，当发生输出过压、输出过流、高频变原边过流等故障时，通过一定的转换电路，把故障信号转换为高于2.5V的电压接到控制中心，使变换器四个输出驱动信号全为低电平，对电路实现保护。

式（3）为PSFB控制策略中自定义模块的判断条件。

(3)

2.2 储能电池的充放电控制模型

本文基于双向充放电模式搭建了储能电池的控制模型，如图6所示，图5为双向充放电控制模型。电池处于充电或放电状态由duty信号控制。首先采集节点电压与设定值对比，对差值进行PI控制后生成电池电流理论值，此时生成的电池电流信号与实际电流值进行对比再次进行PI控制生成控制信号duty。duty信号分解成两个量直接控制sP和sN，达到控制电池充放电的目的。

图6为储能电池的控制模块。控制算法生成的sP信号和sN信号一个为0一个为1，分别接到绝缘栅双极型晶体管的门极控制其导通和关断。通过控制两个绝缘栅双极型晶体管的导通和关断时间，改变电路电流流向，从而使电池工作在充电或放电状态。对电池进行控制前，还应读取电池的实时电压和实时电流以及实时剩余电量，以便通过算法生成控制信号和实现对电池状态的实时监控。

3 光储组网运行仿真分析

通过设置两种情景，验证本文所提模型的有效性，情景1:电导增量法MPPT，情景2:NN-MPPT。取光照时间良好的某天24 h历史运行数据，由于光伏出力跟踪调度采样间隔为1 h，相关参数如表1、表2所示。其中参数设定为最高温度为35 ℃，最低温度为15 ℃。辐射强度的最大值为1 000 w/m²，电流温度系数设置为0.086 998。

表2给出了仿真时光伏板相关参数及标准辐射强度。其中标准温度设置为15℃，标准辐射强度设置为1 000 w/m²，电压温度系数设置为-0.36901。

图7为光伏组件输入的辐射强度和温度的具体数值。左图为光照强度变化图，光照强度由0开始，保持一段时间后逐渐增强，增强速度逐渐变缓后达到最大值，随后下降。右图为温度变化图，温度由4 ℃开始先缓慢增加，然后快速升高后达到温度最大值，而后逐渐降低。

图8和图9给出了光储一体化系统运行时，两种情景下负载的电压和电流，由图可以看出，在相同的光照强度和温度的变化趋势下，两种情景光伏板的最大功率跟踪点一致，两种情景的负载电流稳定性相同，但相较于图9采用的电导增量法MPPT，本文采用的NN-MPPT控制算法，电压稳定性更高，电压的波动幅度更小，更有利于对用户的平稳供电。

4 结论

通过混合储能性能上的互补作用实现光储出力跟踪调度指令，提出一种基于神经网络的离网自适应光储一体化发电控制策略，首先基于神经网络工具箱训练MPPT，其次搭建DC-DC变换器的超级电容控制模型和储能电池的充放电控制模型，构建混合储能模式。NN-MPPT利用神经网络的非线性，以光照强度和温度为输入量，以跟踪最大功率的占空比为输出值，训练出更适应真实环境的映射。情景对比表明，相较于传统的电导增量法MPPT，NN-MPPT的电压波动更小，更加稳定的电压和电流输出，能够有效提升电能质量。

参考文献

[1] 王岩,李鹏,唐劲飞 等.基于模糊参数自校正PID方法的光伏发电系统MPPT控制[J].电力自动化设备,2008, 28(3):55-58

[2] LIANG TJ, KUO YC, CHEN JF.Single stage photovoltaic energy conversion system[J].IEEE Proceedings-Electric Power Applications. 2001,148(4): 339-344.

[3] 姚兴佳,刘喜,朱家玲 等.可再生能源及其发电技术[M].北京:科学出版社,2010.

[4] 闵江威.光伏发电系统的最大功率点跟踪控制技术研究[D].武汉: 华中科技大学,2006.

[5] 刘春霞,刘立群.免疫小脑模型神经网络优化光伏输出[J].电力系统保护与控制 2011,39(11):145-148

[6] Du K L, Swamy M N S. Particle swarm optimization[M]. Germany: Springer International Publishing, 2016.

[7] 朱达祥, 群体智能优化算法—粒子群算法的研究和改进[D]. 无锡: 江南大学, 2017.

[8] 陈明. MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.

[9] 张瑞林.人工神经网络在纺织中的应用研究[D].杭州: 浙江大学,2001.

[10] 张剑湖,叶峰.人工神经网络的模型,特征及其发展方向[J].现代电子技术,2004(12):57-60.

[11] 张巧超,曾昭冰.人工神经网络概述[J].辽宁经济管理干部学院(辽宁经济职业技术学院学报),2010(04):68-69.

基金资助

西藏农牧学院大学生创新创业训练项目(533322012)